AWS 文档中描述的 AWS 服务或功能可能因区域而异。要查看适用于中国区域的差异，请参阅中国的 AWS 服务入门。

本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

功能存储简介

本主题中的示例代码引用Amazon SageMaker 功能商店简介示例笔记本电脑。建议您在 Amazon SageMaker Studio 中运行此笔记本电脑，因为本指南中的代码是概念性的，如果复制，则无法完全正常工作。

第 1 步：设置

要开始使用功能存储，请创建 SageMaker、boto3 和要素存储会话。然后设置您要用于功能的 S3 存储桶。这是您的离线商店。以下代码使用 SageMaker 默认存储桶并向其添加自定义前缀。

# SageMaker Python SDK version 2.x is required
import sagemaker
import sys

import boto3
import pandas as pd
import numpy as np
import io
from sagemaker.session import Session
from sagemaker import get_execution_role

prefix = 'sagemaker-featurestore-introduction'
role = get_execution_role()

sagemaker_session = sagemaker.Session()
region = sagemaker_session.boto_region_name
s3_bucket_name = sagemaker_session.default_bucket()

第 2 步：检查您的数据

在这个笔记本示例中，我们从GitHub 存储库，它承载完整的笔记本电脑。

customer_data = pd.read_csv("data/feature_store_introduction_customer.csv")
orders_data = pd.read_csv("data/feature_store_introduction_orders.csv")

print(customer_data.head())
print(orders_data.head())

下图说明了数据在引入要素存储之前所经历的步骤。在本笔记本中，我们说明了您拥有来自多个来源的数据并希望将其独立存储在要 feature store 中的用例。我们的示例考虑来自数据仓库的数据（客户数据），以及来自实时流式处理服务的数据（订单数据）。

第 3 步：创建功能组

我们首先从创建客户数据和订单数据的要素组名称开始。接下来，我们创建了两个要素组，一个用于customer_data，另一个用于orders_data。

import time
customers_feature_group_name = 'customers-feature-group-' + strftime('%d-%H-%M-%S', gmtime())
orders_feature_group_name = 'orders-feature-group-' + strftime('%d-%H-%M-%S', gmtime())

current_time_sec = int(round(time.time()))
record_identifier_feature_name = "customer_id"

附加EventTime功能添加到数据框。此参数是必需的，并对每个数据点进行时间戳。

customer_data["EventTime"] = pd.Series([current_time_sec]*len(customer_data), dtype="float64")
orders_data["EventTime"] = pd.Series([current_time_sec]*len(orders_data), dtype="float64")

将要素定义加载到要素组。

customers_feature_group.load_feature_definitions(data_frame=customer_data)
orders_feature_group.load_feature_definitions(data_frame=orders_data)

下面我们调用 create 来创建两个要素组customers_feature_group和orders_feature_group分别提取。

customers_feature_group.create(
    s3_uri=f"s3://{s3_bucket_name}/{prefix}",
    record_identifier_name=record_identifier_feature_name,
    event_time_feature_name="EventTime",
    role_arn=role,
    enable_online_store=True
)

orders_feature_group.create(
    s3_uri=f"s3://{s3_bucket_name}/{prefix}",
    record_identifier_name=record_identifier_feature_name,
    event_time_feature_name="EventTime",
    role_arn=role,
    enable_online_store=True
)

为了确认您的功能 Group 已创建，我们使用DescribeFeatureGroup和ListFeatureGroups用于显示创建的要素组的 API。

customers_feature_group.describe()

orders_feature_group.describe()

sagemaker_session.boto_session.client('sagemaker', region_name=region).list_feature_groups() # We use the boto client to list FeatureGroups

第 4 步：将数据引入到功能组中

创建功能集合后，我们可以将数据放入功能集中。如果您使用的是 SageMaker Python 软件开发工具包，请使用ingestAPI 调用。如果您正在使用 boto3，请使用PutRecordAPI。这两个功能 Group 的数据需要不到 1 分钟的时间。此示例使用 SageMaker Python 软件开发工具包，因此它使用ingestAPI 调用。

def check_feature_group_status(feature_group):
    status = feature_group.describe().get("FeatureGroupStatus")
    while status == "Creating":
        print("Waiting for Feature Group to be Created")
        time.sleep(5)
        status = feature_group.describe().get("FeatureGroupStatus")
    print(f"FeatureGroup {feature_group.name} successfully created.")

check_feature_group_status(customers_feature_group)
check_feature_group_status(orders_feature_group)

customers_feature_group.ingest(
    data_frame=customer_data, max_workers=3, wait=True
)

orders_feature_group.ingest(
    data_frame=orders_data, max_workers=3, wait=True
)

使用行动客户记录 ID 573291，我们使用get_record以检查数据是否已被引入到要素组中。

customer_id = 573291
sample_record = sagemaker_session.boto_session.client('sagemaker-featurestore-runtime', region_name=region).get_record(FeatureGroupName=customers_feature_group_name, RecordIdentifierValueAsString=str(customer_id))

sample_record

第 5 步：清除

在这里，我们将移除我们创建的要素组。

customers_feature_group.delete()
orders_feature_group.delete()

第 6 步：后续步骤

在本示例笔记本中，您学习了如何快速开始使用 “功能存储”、创建要素组以及将数据引入到这些要素组中。

有关如何将功能存储用于欺诈检测用例的高级示例，请参阅使用功能存储进行欺诈检测。

步骤 7：程序员注意

在这个笔记本中，我们使用了各种不同的 API 调用。它们中的大多数都可以通过 Python SDK 访问，但有些只存在于 boto3 中。您可以直接在要素存储对象上调用 Python SDK API 调用，而要调用 boto3 中存在的 API 调用，必须首先通过 boto3 和 sagemaker 会话访问 botos 客户端：例如sagemaker_session.boto_session.client()。

下面我们列出了此笔记本中使用的 Python SDK 中存在的 API 调用以及 boto3 中存在的 API 调用以供参考。

Python 开发工具包 API 调用

describe()
ingest()
delete()
create()
load_feature_definitions()

Boto3 API 调用

list_feature_groups()
get_record()